我們經常看到各種大學排行榜
那能不能通過爬蟲随時知道學校的排名呢
當然可以
看看下面抓取的效果圖
那麼具體怎麼實作呢
實作工具
pycharm+BeautifulSoup+requests
具體代碼
import requests
from bs4 import BeautifulSoup
import bs4
def getHTMLText(url):
try:
r = requests.get(url,timeout = 30)
r.raise_for_status()
r.encoding = r.apparent_encoding
return r.text
except:
print("getError")
return ""
return ""
def fillUnivList(ulist,html):
soup = BeautifulSoup(html,"html.parser")
for tr in soup.find('tbody').children:
print(tr)
if isinstance(tr,bs4.element.Tag):
tds = tr('td')
ulist.append([tds[0].string,tds[1].string,tds[3].string])
def printUnivList(ulist,num):
tplt = "{0:^10}\t{1:{3}^10}\t{2:^10}"
print(tplt.format("排名","學校名稱","分數",chr(12288)))
for i in range(num):
u = ulist[i]
print(tplt.format(u[0],u[1],u[2],chr(12288)))
def main():
unifo = []
url = "http://www.zuihaodaxue.cn/zuihaodaxuepaiming2019.html"
html = getHTMLText(url)
fillUnivList(unifo,html)
printUnivList(unifo,100)
main()
代碼分析
網站分析
這次我們爬取的是最好大學網2019年的大學排名
首先用requests請求網頁
并且加上異常處理
def getHTMLText(url):
try:
r = requests.get(url,timeout = 30)
r.raise_for_status()
r.encoding = r.apparent_encoding
return r.text
except:
print("getError")
return ""
return ""
然後使用Beautifulsoup解析網頁
結構分析
排名位于tbody标簽下
每個tr标簽是一個學校的資訊
tr标簽下有多個td标簽,儲存有該學校的各類名額
周遊tr标簽 tr标簽是tbody标簽的孩子
def fillUnivList(ulist,html):
soup = BeautifulSoup(html,"html.parser")
for tr in soup.find('tbody').children:
print(tr)
if isinstance(tr,bs4.element.Tag):
# 擷取tr标簽下的td标簽
tds = tr('td')
# 擷取相關名額 隻需要第 0 1 3 個相關td标簽,分别是學校名稱,排名,分數
ulist.append([tds[0].string,tds[1].string,tds[3].string])
列印前100的榜單
def printUnivList(ulist,num):
# 優化,解決中文不對齊問題
#^num num代表占位
tplt = "{0:^10}\t{1:{3}^10}\t{2:^10}"
# chr(12288)是中文空白符
print(tplt.format("排名","學校名稱","分數",chr(12288)))
for i in range(num):
u = ulist[i]
print(tplt.format(u[0],u[1],u[2],chr(12288)))
最後成功發現了我的學校